java判断文件字符集

大部分情况下,输入文件的字符集编码都是明确的,但是有时也会有文件编码不确定的情况,这时候我们就需要通过代码来判断文件的字符集。

我也在网上找了一些代码,但是都判断的不是很准确,后来找到了cpdetector.jar,使用这个jar能够很好的判断文件的字符集,代码如下:

 

package com.xxx.utils;
public class FileUtil {
/**
     * 判断文件的编码格式
     * @param fileName :file
     * @return 文件编码格式
     * @throws Exception
     */
    public static String codeString(String fileName){
    	String code = "unKnown";
		  /*------------------------------------------------------------------------  
		 
		 
      detector是探测器,它把探测任务交给具体的探测实现类的实例完成。  

      cpDetector内置了一些常用的探测实现类,这些探测实现类的实例可以通过add方法  

      加进来,如ParsingDetector、 JChardetFacade、ASCIIDetector、UnicodeDetector。    

      detector按照“谁最先返回非空的探测结果,就以该结果为准”的原则返回探测到的  

      字符集编码。  

    --------------------------------------------------------------------------*/  

    CodepageDetectorProxy detector = CodepageDetectorProxy.getInstance();  

    /*-------------------------------------------------------------------------  

      ParsingDetector可用于检查HTML、XML等文件或字符流的编码,构造方法中的参数用于  

      指示是否显示探测过程的详细信息,为false不显示。  

    ---------------------------------------------------------------------------*/  

    detector.add(new ParsingDetector(false));//如果不希望判断xml的encoding,而是要判断该xml文件的编码,则可以注释掉  

    /*--------------------------------------------------------------------------  

       JChardetFacade封装了由Mozilla组织提供的JChardet,它可以完成大多数文件的编码  

       测定。所以,一般有了这个探测器就可满足大多数项目的要求,如果你还不放心,可以  

       再多加几个探测器,比如下面的ASCIIDetector、UnicodeDetector等。  

      ---------------------------------------------------------------------------*/  

    detector.add(JChardetFacade.getInstance());  

    // ASCIIDetector用于ASCII编码测定  

    detector.add(ASCIIDetector.getInstance());  

    // UnicodeDetector用于Unicode家族编码的测定  

    detector.add(UnicodeDetector.getInstance());  

    Charset charset = null;  

    File f = new File(fileName);  

    try {  

        charset = detector.detectCodepage(f.toURL());  

    } catch (Exception ex) {  
        ex.printStackTrace();  
    }  

    if (charset != null) {  
  	  code = charset.name();
    }
    if("GB2312".equals(code) || "gb2312".equals(code)) {
//这里是因为发现jar会把gbk判断成gb2312,由于gb2312是gbk的子集,所以使用gb2312可能会有乱码,这里统一使用gbk
    	code = "GBK";
    }
    return code;
    }
}

此链接为cpdetector所需要的3个jar的下载链接,里面包含:antlr-1.0.jar、cpdetector-1.08.jar、jchadet-1.0.jar